O Skill Workshop do OpenClaw

Um agente que consegue escrever as próprias skills precisa de um caminho em que nada entre em produção por acidente. O Skill Workshop do OpenClaw é esse caminho controlado: agentes e operadores criam uma proposta, um rascunho pendente com conteúdo, vínculo com o destino, estado do scanner, hashes e metadados de rollback, e ela só vira uma skill em produção quando é aplicada. Por padrão, o Workshop escreve apenas no diretório workshop-skills do próprio agente ativo, dentro do diretório de estado, separado do espaço de trabalho da sessão e da biblioteca de skills gerenciada; skills integradas, de plugins, do ClawHub, de projeto e do espaço de trabalho são editadas pelas próprias ferramentas. Aqui estão as regras do ciclo de vida, as superfícies de análise, a criação pelo chat e pela CLI, os fluxos de learn e de reparo, e as configurações.

As regras do ciclo de vida

• Proposta primeiro: o conteúdo gerado é armazenado como um arquivo de proposta, não como um arquivo de skill; apply é a única escrita em produção, então create, update e revise nunca alteram skills ativas; criações e atualizações ficam dentro do diretório do Workshop do agente, e uma skill pertence ao Workshop exatamente quando está nele.
• Sem sobrescrita: create falha se o destino já existe nesse diretório, skills de outras origens nunca são alteradas, e, para skills com o mesmo nome, a ordem de carregamento decide qual definição vence; propostas de update ficam vinculadas ao hash atual do destino e ficam stale se a skill em produção mudar antes do apply.
• Controlado pelo scanner e recuperável: apply roda o scanner de segurança de novo antes de escrever, só achados críticos o bloqueiam, enquanto achados de nível warn continuam visíveis, e os metadados de rollback são escritos antes de tocar nos arquivos em produção; create e revise gravam uma geração de proposta completa e imutável e a publicam com um rename atômico, então uma interrupção expõe a geração anterior ou a nova.
• Estados: create, update, revise e evaluate deixam uma proposta em pending; apply, reject e quarantine a movem para applied, rejected ou quarantined; uma mudança no destino a torna stale; e só uma proposta pending pode ser revisada, aplicada, rejeitada ou colocada em quarentena. O chat, a CLI e o Gateway chamam o mesmo serviço.

Apply é a única escrita em produção: create, update e revise nunca alteram skills ativas.

Análise, criação, aprendizado

Na interface de controle, o Workshop fica em plugins: uma visão de skills lista o que está instalado no diretório do Workshop do agente selecionado, com as skills alteradas primeiro e as adições e remoções inline em relação à versão aplicada mantida, e uma visão de sugestões reúne as propostas pendentes para avaliar, revisar, aplicar ou rejeitar; as propostas passadas applied, rejected, quarantined e stale continuam inspecionáveis pela CLI e pelo Gateway. Pelo chat, você pede a skill que quer e o agente chama a ferramenta do workshop e retorna um id de proposta: crie uma skill que execute a rotina da caixa de entrada de segunda-feira, atualize a skill de planejamento de viagens para verificar os mapas de assentos, me mostre a proposta, revise, aplique. O comando learn direciona a conversa atual ou fontes nomeadas, caminhos, URLs e notas coladas, para a proposta pendente ou a skill em produção que melhor corresponder e só cria uma quando necessário, e nunca aplica. Quando uma skill usada no turno atual se mostra errada, o agente lê a skill em produção e cria uma proposta de patch direcionada, preparando um trecho exato quando a skill inteira excede o orçamento de leitura do modelo; um recibo de execução limita isso às skills usadas na execução, e a skill reparada chega às novas sessões, enquanto a sessão em andamento mantém o snapshot dela. A CLI espelha tudo isso: propose-create com nome, descrição e arquivo de proposta, propose-update, list, inspect, revise, evaluate por meio dos avaliadores de plugins instalados, apply, reject e quarantine com motivos, cada um aceitando um id de agente e saída JSON.

Configurações

• O modo autônomo é auto por padrão: off desativa a captura autônoma, mas mantém o lembrete de instrução durável, propose cria propostas pendentes a partir de correções e de trabalho substancial concluído, e auto usa as ferramentas normais do agente para a manutenção direta do Workshop, por turno e semanal, sem varredura de propostas nem snapshots automáticos de rollback; a criação pedida pelo usuário, o comando learn e as sessões de aprendizado manuais funcionam em todos os modos.
• A política de aprovação é auto por padrão, então apply, reject e quarantine iniciados pelo agente rodam sem outro pedido de confirmação; pending exige a aprovação do operador, o pedido de aprovação nomeia a proposta e o destino e mostra a descrição, a contagem de arquivos de suporte e o tamanho do corpo, e um pedido expirado deixa a proposta pendente em vez de agir, então os agentes não devem repetir uma ação expirada em loop.
• Limites: cinquenta propostas pending e quarantined por agente, dentro de uma faixa de um a duzentos, um corpo de proposta de quarenta mil bytes, dentro de uma faixa de cerca de mil a duzentos mil, um limite separado de dez mil caracteres para propostas autônomas, e descrições sempre limitadas a 160 bytes. Uma ação da interface de controle também pode varrer conversas passadas sem ativar a autonomia: uma sessão normal é aberta com instruções de mineração e segue o modo atual.

O autoaprendizado do OpenClaw cobre a análise em segundo plano desacoplada que alimenta as propostas, e a configuração de skills do OpenClaw, o schema completo em que essas configurações ficam.

Onde ele se encaixa

O Workshop é para skills que o agente gera; skills do espaço de trabalho escritas à mão e a biblioteca gerenciada mantêm as próprias superfícies, e skills da biblioteca pessoal em um Gateway compartilhado publicam revisões gerenciadas em vez de propostas. Criar uma skill do OpenClaw é o caminho escrito à mão, e os plugins do OpenClaw, a superfície cujos avaliadores a etapa evaluate executa.

Na Diali

Na Diali, o diretório do Workshop fica sob o diretório de estado do assistente, no volume dele, então as propostas e as skills aplicadas sobrevivem às novas versões, e a superfície de análise é a aba Workshop da interface de controle. O OpenClaw hospedado na Diali é o assistente, e a segurança da Diali descreve a fronteira ao redor dele.

• Uma proposta primeiro; apply é a única escrita em produção.
• Vinculada por hash, controlada pelo scanner, pronta para rollback.
• Learn prepara; nunca aplica.